DynamicAug：基于模型状态的动态数据增强策略提升迁移学习

基于摘要分析。该研究针对迁移学习中的过拟合问题，提出 DynamicAug，根据模型的收敛状态动态调整数据增强强度，避免训练前固定增强强度在训练后期可能不再适用的问题。原论文的研究对象是视觉迁移学习，而非 EEG 或 BCI。 机制上，DynamicAug 在每次前向传播时，通过基于高斯分布的采样器随机采样当前增强强度；采样器包含可学习的期望，并通过迭代更新使增强强度与模型收敛状态相匹配。作者提出 convergence loss，用于评估模型的收敛状态。摘要未给出该损失的公式、期望的具体更新规则、采样范围以及增强算子的定义，这些实现细节尚未验证。 作者报告，在 27 个视觉数据集上的实验中，DynamicAug 能显著提升现有迁移学习方法的表现。摘要未列出数据集名称、数据划分、基线、具体指标、提升幅度或统计检验，因此不能据此量化收益或比较不同协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 迁移学习中固定增强强度同样存在随训练阶段失配的问题，可假设动态强度采样有助于控制增强扰动。可复用的是强度采样与状态驱动更新机制，需改造的是适合 EEG 的增强算子及强度约束，并核对 convergence loss 所需监督信息。低信噪比、小样本和跨被试差异可能使收敛状态估计不稳定，过强增强也可能破坏任务相关时频特征。一个可证伪的小实验是在固定 Cross-subject 划分、同一骨干和同一增强算子下，对比固定强度与动态强度策略，保持训练预算及调参范围一致，检验动态策略是否稳定优于经验证集选择的固定强度。已有 EEG 相关工作尚未检索确认。